УДК 004.94:637.043
Табл. 4. Ил. 4. Библ. 27.
DOI: 10.21323/2071-2499-2024-2-57-64

Моделирование биокаталитического извлечения липидов методами машинного обучения

Шафрай А.В, канд. техн. наук, Вечтомова Е.А., канд. техн. наук, Косинов В.С.
Кемеровский государственный университет
Ключевые слова: извлечение жира, биокатализ, методы машинного обучения,
Реферат:
Работа посвящена изучению вопроса оптимизации параметров теплового воздействия при вытопке жира-сырца, полученного из нетрадиционного животного сырья в результате охотничьего промысла на бурого медведя (лат. Ursus arctos), бобра речного (лат. Castor fiber), барсука обыкновенного (лат. Meles meles) и сурка степного (лат. Marmota bobak) изъятых путём лицензированного отстрела/отлова на территории Кемеровской области – Кузбасса в 2022г. В работе предложен метод биокаталитической обработки жира – сырца ферментными препаратами протеолитического действия Neutrase, Protozym B, Fan Boost и Ondea Pro в дозировках от 0,01 до 0,5 % к массе обрабатываемого сырья. Получены данные, подтверждающие эффективность предложенного метода, позволяющего повысить выход жира. На основании данных, полученных в результате проведения экспериментальных исследований, даны оценки построенных моделей машинного обучения, прогнозирующие выход жира. Для сравнения были разработаны разнообразные модели с помощью наиболее известных методов: модель линейной регрессии, полиномиальной регрессии, Лассо-регрессии, ридж-регрессии, стохастического градиентного спуска, нейронной сети, k-ближайших соседей, случайного леса, решающих деревьев, а также ансамблевые модели: AdaBoost, градиентный бустинг. Наилучшие показатели получены ансамблевыми моделями градиентного бустинга и полносвязной нейронной сети. Для этих моделей величины средней абсолютной ошибки, средней абсолютной процентной ошибки, средней квадратической ошибки и квадрата среднеквадратической ошибки принимают наименьшие значения относительно значений, полученных для других моделей. В задачи исследования, кроме того, входило определение таких входных параметров прогностических моделей, при которых выход жира будет более 90 %. Наилучшую прогностическую способность показала нейронная сеть.

Modeling of biocatalytic lipid extraction by machine learning methods

Shafray A.V., Vechtomova E.A., Kosinov V.S.
Kemerovo State University
Key words: fat extraction, biocatalysis, machine learning methods
Summary:
The work is devoted to the study of the optimization of the parameters of thermal effects during the melting of raw fat obtained from non-traditional animal raw materials as a result of hunting for brown bear (Ursus arctos), European beaver (Castor fiber), common badger (Meles meles) and steppe marmot (Marmota bobak) seized by licensed shooting/trapping on the territory of the Kemerovo region – Kuzbass in 2022. The paper proposes a method of biocatalytic treatment of raw fat with enzyme preparations of proteolytic action Neutrase, Protozym B, Fan Boost and Ondea Pro in dosages from 0.01 to 0.5 % by weight of processed raw materials. Data have been obtained confirming the effectiveness of the proposed method, which allows increasing the fat yield. Based on the data obtained as a result of experimental studies, the evaluation of the created machine learning models, which predict the fat yield, is presented. For comparison, a variety of models were developed using the most well-known methods: linear regression model, polynomial regression, Lasso regression, ridge regression, stochastic gradient descent, neural network, k-nearest neighbors, random forest, decision trees, as well as ensemble models AdaBoost and gradient boosting. The best indicators were obtained by ensemble models of gradient boosting and a fully connected neural network. For these models, the values of the average absolute error, the average absolute percentage error, the average square error and the square of the standard error take the smallest values relative to the values obtained for other models. The research tasks also included determining such input parameters of predictive models in which the fat yield would be more than 90 %. The neural network showed the best predictive ability.

СПИСОК ЛИТЕРАТУРЫ / REFERENCES:

1. Li, S. Substitutes for bear bile for the treatment of liver diseases: research progress and future perspective / S. Li, H.Y. Tan, N. Wang, M. Hong, L. Li, F. Cheung, Y. Feng // Evid Based Complement Alternat Med. – 2016. – Article 4305074.

2. Курзова, А.А. Сравнительная оценка различных методов извлечения жира из многокомпонентных мясных систем / А.А. Курзова, А.С. Князева, Н.Л. Вострикова // Все о мясе. – 2018. – № 3. – С. 28-31. DOI: 10.21323/2071-2499-2018-3-28-31.

Kurzova, A.A. Sravnitel'naya otsenka razlichnykh metodov izvlecheniya zhira iz mnogokomponentnykh myasnykh sistem [Comparative assessment of various methods for extracting fat from multicomponent meat systems] / A.A. Kurzova, A.S. Knyazeva, N.L. Vostrikova // Vsyo o myase. – 2018. – № 3. – Р. 28-31. DOI: 10.21323/2071-2499-2018-3-28-31.

3. Вострикова, Н.Л. Методические аспекты извлечения липидов из биологических матриц / Н.Л. Вострикова, О.А. Кузнецова, А.В. Куликовский // Теория и практика переработки мяса. – 2018. – Т. 3. – № 2. – С. 4-21. DOI: 10.21323/2414-438X-2018-3-2-4-21.

Vostrikova, N.L. Metodicheskiye aspekty izvlecheniya lipidov iz biologicheskikh matrits [Methodological aspects of lipid extraction from biological matrices] / N.L. Vostrikova, O.A. Kuznetsova, A.V. Kulikovskiy // Theory and practice of meat processing. – 2018. – T. 3. – № 2. – P. 4-21. DOI: 10.21323/2414-438X-2018-3-2-4-21.

4. Патент РФ № 2679711, C11B 1/00. Линия получения жира страуса / М.В. Горбачева, В.Е. Тарасов, С.В. Тарасов, А.И. Сапожникова, И.М. Гордиенко. – Заявл. 15.05.2018. – Опубл. 12.02.2019. – Бюл. № 5.

Patent RF № 2679711, C11B 1/00. Liniya polucheniya zhira strausa [Ostrich fat production line] / M.V. Gorbacheva, V.Ye. Tarasov, S.V. Tarasov, A.I. Sapozhnikova, I.M. Gordiyenko. – Zayavl. 15.05.2018. – Opubl. 12.02.2019. – Byul. № 5.

5. Патент РФ № 2683559, C11B 1/00, C11B 1/12. Способ получения топленого жира страуса / М.В. Горбачева, В.Е. Тарасов, А.И. Сапожникова, И.М. Гордиенко, О.А. Стрепетова. – Заявл. 28.12.2017. – Опубл. 28.03.2019. – Бюл. № 10.

Patent RF № 2683559, C11B 1/00, C11B 1/12. Sposob polucheniya toplenogo zhira strausa [Method for obtaining rendered ostrich fat] / M.V. Gorbacheva, V.Ye. Tarasov, A.I. Sapozhnikova, I.M. Gordiyenko, O.A. Strepetova. – Zayavl. 28.12.2017. – Opubl. 28.03.2019. – Byul. № 10.

6. Горбачева, М.В. Новые технические решения интенсификации процесса жироизвлечения / М.В. Горбачева, В.Е. Тарасов, А.И. Сапожникова // Инновации в пищевой промышленности: образование, наука, производство: материалы 4-й Всероссийской научно-практической конференции, Благовещенск, 20 февраля 2020 г. – Благовещенск: Дальневосточный ГАУ, 2020. – С. 34-38.

Gorbacheva, M.V. Novyye tekhnicheskiye resheniya intensifikatsii protsessa zhiroizvlecheniya [New technical solutions for intensifying the fat extraction process] / M.V. Gorbacheva, V.Ye. Tarasov, A.I. Sapozhnikova // Innovatsii v pishchevoy promyshlennosti: obrazovaniye, nauka, proizvodstvo: materialy 4-y Vserossiyskoy nauchno-prakticheskoy konferentsii, Blagoveshchensk, 20 fevralya 2020 g. – Blagoveshchensk: Dal'nevostochnyy GAU, 2020. – Р. 34-38.

7. Jennings, S. The effects of fishing on marine ecosystems / S. Jennings, M.J. Kaiser // Advances in Marine Biology. – 1998. – V. 34. – P. 201-212, 212e, 213-352.

8. Патент РФ № 2636155, C11B 1/12, C11B 13/00. Микроволновая технология извлечения жира из жиросодержащего сырья / Г.В. Жданкин, А.Г. Самоделкин, Г.В. Новикова, М.В. Белова, Б.И. Горбунов. – Заявл. 20.12.2016. – Опубл. 21.11.2017. – Бюл. № 33.

Patent RF № 2636155, C11B 1/12, C11B 13/00. Mikrovolnovaya tekhnologiya izvlecheniya zhira iz zhirosoderzhashchego syr'ya [Microwave technology for extracting fat from fat-containing raw materials] / G.V. Zhdankin, A.G. Samodelkin, G.V. Novikova, M.V. Belova, B.I. Gorbunov. – Zayavl. 20.12.2016. – Opubl. 21.11.2017. – Byul. № 33.

9. Жданкин, Г.В. Разработка многомодульной сверхвысокочастотной установки для термообработки сырья животного происхождения / Г.В. Жданкин, Б.Г. Зиганшин, М.В. Белова // Вестник Казанского государственного аграрного университета. – 2016. – Т. 11. – № 4 (42). – С. 79-83.

Zhdankin, G.V. Razrabotka mnogomodul'noy sverkhvysokochastotnoy ustanovki dlya termoobrabotki syr'ya zhivotnogo proiskhozhdeniya [Development of a multi-module ultra-high-frequency installation for heat treatment of raw materials of animal origin] / G.V. Zhdankin, B.G. Ziganshin, M.V. Belova // Vestnik Kazanskogo gosudarstvennogo agrarnogo universiteta. – 2016. – T. 11. – № 4 (42). – P. 79-83.

10. Cunha, A.F. Fat extraction from fleshings-optimization of operating conditions / A.F. Cunha, N.S. Caetano, E. Ramalho, A. Crispim // Energy Reports. – 2020. – V. 6. – Suppl. 8. – P. 381-390. DOI: 10.1016/j.egyr.2020.11.176.

11. Poruchikov, D. UHF device introduction for animal raw material processing / D. Poruchikov, G. Samarin, A. Vasilyev, I. Ershova, T. Normova, G. Aleksandrova, I. Filippova // Helix. – 2020. – V. 10. – № 3. – P. 64-68. DOI: 10.29042/2020-10-3-64-68.

12. Slobodchikova, M.N. New aspects of waste-free use of secondary raw materials of horse breeding in Yakutia / M.N. Slobodchikova, V.T. Vasilyeva, R.V. Ivanov, Y.M. Lebedeva // Problems of Nutrition. – 2018. – V. 87. – Р. 87-92.

13. Ali, A. Machine learning approach for classifying corn seeds using hybrid traits / A. Ali, S. Kadri, U.K. Mashwani, B.S. Belhauari, S. Naim, S. Rafik, F. Jamal, S. Chesno, S. Anam // International Journal of Food Properties. – 2020. – V. 23. – Р. 1097-1111.

14. Ahn, T. A method for determining humidity during withering of black tea based on the trust of a convolutional neural network / T. Ahn, H. Yu, S. Yang, G. Liang, J. Chen, Z. Hu, B. Hu, S.J. Dong // Food Process Eng. – 2020. – V. 43. – P. 13428.

15. Bhargava, A. Automatic detection and sorting of multiple fruits using machine learning / A. Bhargava, A. Barisal // Analysis of food products. Methods. – 2020. – V. 13. – P. 751-761.

16. Borodulin, D.M. Neural network and home hydroponics / D.M. Borodulin, A.V. Shafray, A.A. Maksimenko // The food process. Tech. Technology. – 2023. – V. 53. – P. 384-395.

17. Chen, J.D. Identification of rice plant diseases based on deep transfer learning / J.D. Chen, D.F. Zhang, Y.A. Nanehkaran, D.L. Li // Journal of the Science of Food and Agriculture. – 2020. – V. 100. – P. 3246-3256.

18. Ekiz, B. Comparison of decision tree, artificial neural network and multiple regression methods for predicting the composition of goat carcass tissues / B. Ekiz, O. Baigul, H. Yalchintan, M. Ozkan // Meat science. – 2020. – V. 161. – P. 108011.

19. Shafray, A.V. Modeling of physiological parameters of brewer's yeast during storage with natural zeolite-containing tuffs using artificial neural networks / A.V. Shafray, L.V. Permyakova, D.M. Borodulin, I.Y. Sergeeva // Information. – 2022. – V. 13. – P. 529.

20. Tarafdar, A. Using a combined neural network approach and a genetic algorithm to predict complex rheological characteristics of microfluidized sugar cane juice / A. Tarafdar, B.P. Kaur, P.K. Nema, O.A. Babar, D. Kumar // LWT is the science of food. Technology. – 2020. – V. 123. – P. 109058.

21. Torshizi, M.V. Classification by an artificial neural network of mushroom color changes under UV – A irradiation / M.V. Torshizi, A. Asgari, F. Tabarsa, P. Danesh, A. Akbarzade // Karpatiets J. Food science. Technology. – 2020. – V. 12. – P. 157-167.

22. Vasigi-Shojae, H. Prediction of mechanical properties of Golden Delicious apples using ultrasound technology and artificial neural network / H. Vasigi-Shojae, M. Golami-Parashkouhi, D. Mohammadzamani, A. Soheili // Analysis of food products. Methods. – 2020. – V. 13. – P. 699-705.

23. Google Colab. Electronic resource. – Access mode: [https://colab.research.google.com/]. Date of access: 25.03.2024.

24. Bochkarev, A. Performance indicators (error measurements) in machine learning regression, forecasting and predictive analytics: properties and typology / A. Bochkarev // Interdisciplinary Journal of Information, Knowledge and Management. – 2019. – V. 14. – P. 45-79.

25. Лисицын, А.Б. Окисление липидов: механизм, динамика, ингибирование / А.Б. Лисицын, Е.К. Туниева, Н.А. Горбунова // Все о мясе. – 2015. – № 1. – С. 10-15.

Lisitsyn, A.B. Okisleniye lipidov: mekhanizm, dinamika, ingibirovaniye [Lipid oxidation: mechanism, dynamics, inhibition] / A.B. Lisitsyn, Ye.K. Tuniyeva, N.A. Gorbunova // Vsyo o myase. – 2015. – № 1. – P. 10-15.

26. Гущин, В.В. Влияние теплового нагрева на жирнокислотный состав мяса индейки, обогащённого льняным маслом / В.В. Гущин, И.Л. Стефанова, Ю.Н. Красюков, Л.В. Шахназарова // Теория и практика переработки мяса. – 2016. – Т. 1. – № 1. – С. 62-74. DOI: 10.21323/2114-441X-2016-1-62-74.

Gushchin, V.V. Vliyaniye teplovogo nagreva na zhirnokislotnyy sostav myasa indeyki, obogashchonnogo l'nyanym maslom [Influence of thermal heating on the fatty acid composition of turkey meat enriched with linseed oil] / V.V. Gushchin, I.L. Stefanova, Yu.N. Krasyukov, L.V. Shakhnazarova // Theory and practice of meat processing. – 2016. – T. 1. – № 1. – P. 62-74. DOI: 10.21323/2114-441X-2016-1-62-74.

27. Туниева, Е.К. Влияние термической обработки на окисление жиров и белков / Е.К. Туниева, В.В. Насонова, А.А. Мотовилина, Е.В. Милеенкова // Все о мясе. – 2022. – № 2. – С. 10-13. DOI: 10.21323/2071-2499-2022-2-10-13.

Tuniyeva, Ye.K. Vliyaniye termicheskoy obrabotki na okisleniye zhirov i belkov [The influence of heat treatment on the oxidation of fats and proteins] / Ye.K. Tuniyeva, V.V. Nasonova, A.A. Motovilina, Ye.V. Mileyenkova // Vsyo o myase. – 2022. – № 2. – P. 10-13. DOI: 10.21323/2071-2499-2022-2-10-13.

Контакты:

Шафрай Антон Валерьевич
tppp@kemsu.ru
Вечтомова Елена Александровна
vechtomowa.lena@yandex.ru
Косинов Виталий Сергеевич
kosinov_vs@mail.ru

Для цитирования:

Шафрай, А.В. Моделирование биокаталитического извлечения липидов методами машинного обучения / А.В. Шафрай, Е.А. Вечтомова, В.С. Косинов // Все о мясе. – 2024. – № 2. – С. 57-64. DOI: 10.21323/2071-2499-2024-2-57-64.

For citation:

Shafray, A.V. Modeling of biocatalytic lipid extraction by machine learning methods / A.V. Shafray, E.A. Vechtomova, V.S. Kosinov // Vsyo o myase. – 2024. – № 2. – Р. 57-64. DOI: 10.21323/2071-2499-2024-2-57-64.